从已知到未知：面向开放集社交事件检测的质量感知自改进图神经网络
社会与信息网络
2022-08-16 v1
摘要
最先进的图神经网络（GNN）在受限的封闭事件集下于社交事件检测任务中取得了巨大成功。然而，考虑到训练神经网络所需的大量数据以及神经网络处理未知数据能力的局限，现有基于GNN的方法在开放集设定下运行仍具挑战。为解决该问题，我们设计了一种质量感知自改进图神经网络（QSGNN），通过充分利用已知样本与可靠的知识迁移，将知识从已知扩展至未知。具体而言，为充分挖掘标注数据，我们提出一种新颖的监督成对损失，并附加正交类间关系约束以训练骨干GNN编码器。已学到的已知事件进一步作为未知事件的强参考基，极大促进了知识获取与迁移。当模型泛化至未知数据时，为保障有效性与可靠性，我们进一步利用参考相似度分布向量进行伪成对标签生成、筛选与质量评估。遵循主动学习的多样性原则，我们的方法筛选具生成伪标签的多样成对样本以微调GNN编码器。此外，我们提出一种新颖的质量引导优化，其中伪标签的贡献基于一致性进行加权。我们在两个大型真实世界社交事件数据集上充分评估了模型。实验表明，我们的模型取得了最先进结果，并对未知事件具有良好的扩展能力。
引用
@article{arxiv.2208.06973,
title = {From Known to Unknown: Quality-aware Self-improving Graph Neural Network for Open Set Social Event Detection},
author = {Jiaqian Ren and Lei Jiang and Hao Peng and Yuwei Cao and Jia Wu and Philip S. Yu and Lifang He},
journal= {arXiv preprint arXiv:2208.06973},
year = {2022}
}